用途：Eval Suite Designer 用于为特定任务设计评测套件，而不是套用通用基准。它适合需要回答“该能力到底是否达标”的场景。
主要能力与流程：先定义要衡量的能力；再识别贴近真实的任务切片和失败模式；接着选择指标，并在需要时加入人工检查；随后补充边缘案例、对抗案例和拒答案例；最后定义成功标准，以及什么样的结果会使该评测失效。
使用原则：避免“基准表演”，即为了好看而堆砌通用或无关指标；优先采用小而决定性的评测，而非庞大而模糊的套件。
限制：资料未提供具体安装方式、命令、代码示例、价格或平台支持信息，使用时需结合自身评测对象补充细节。